Calculadora de discriminante lineal
Score una observación doble-dimensional contra dos Gaussian clases con una covarianza positiva- definida común.
SU CÁLCULO
Resultado
—
Pasos del cálculo
Trabaje a través de un paso a la vez o revele el cálculo completo. Los pasos utilizan sus entradas actuales.
Cómo calcular
Validar la covarianza común por Cholesky factorización, a continuación, evaluar la diferencia discriminante Gaussian.
Log odds=(μ1−μ0)ᵀΣ⁻¹x−(μ1ᵀΣ⁻¹μ1−μ0ᵀΣ⁻¹μ0)/2+log prior odds
Ejemplo resuelto
La covarianza de identidad, means(0,0)/(2,2), primos iguales y query(1,1) dan igual puntuación.
Suposiciones y detalles de entrada
Dos modelos gaussianos introducidos con igual covarianza; sin estimación de covarianza de datos de entrenamiento, evaluación de precisión ni inferencia causal. Se rechaza la covarianza muy ilcondicionada.
Usando esta calculadora
¿Puedo entrar en mi propio problema?
Sí. Sustitúyase los valores de ejemplo por sus propias entradas. El resultado, los pasos de cálculo, los cuadros y los diagramas aplicables se actualizan a partir de esos insumos. Los valores blanks o inválidos despejan el resultado; los valores de ejemplo nunca se sustituyen silenciosamente por los insumos que faltan.
¿Los resultados son exactos?
Los resultados utilizan la aritmética de un punto flotante y se muestran redondeados. Leer la fórmula, suposiciones y cualquier precisión de los datos antes de interpretar el resultado.
¿Mi entrada está cargada?
El cálculo se ejecuta en su navegador. No se requiere cuenta, carga de archivos o servicio AI externo. Las entradas no se guardan entre recargas de página.
Calcular la distancia multivariada de covarianza a escala de un punto de entrada, centro y matriz de covarianza positiva- definida.
Combine entró Gaussian modelos de características independientes en un puntaje posterior de clase binary-.
Desglose binario frente a un predictor numérico mediante un castigo L 2 de estándar explícito y evaluar una probabilidad de consulta.
Espacio reservado para publicidad.